搜索：层级视觉识别

「层级视觉识别」共找到 914 篇相关文章

超强开源OCR，手写体识别能力超dots.ocr，封存多年的老文档数字化有救了。

文章推荐新开源的OCR系统Chandra，它对手写体识别做了优化，官方测评数据显示比dots.ocr强。介绍其适用于多场景及功能特点，还展示了不同场景的识别效果，建议有需求者多对比测试。

上海AI Lab、浙大EagleLab等联合完成研究，提出RRVF框架，利用「验证非对称性」，仅输入图片学习视觉推理。它构建闭环系统，通过迭代推理、视觉反馈等步骤训练模型，实验显示效果佳，证明验证法则力量。

NVIDIA研究员Jim Fan称AI正经历第二次预训练范式转移。颜水成团队Muddit模型从视觉先验出发，用离散扩散框架统一文生图、图生文和VQA，挑战多模态“语言中心论”，在多任务表现出色。

Proactor AI v1.0发布，号称是世界首个「自主行动」的AI队友。它能感知、思考并自主行动，如识别骗局。还提供主动式AI服务，应用场景广泛，用户反响热烈，带来人机交互范式转变。

东方理工大学沈晓宇团队提出HiDrop，基于MLLM不同层功能差异，设计出延迟注入、凹金字塔式剪枝和提前退出的视觉Token压缩策略。实验显示，它能压缩约90%视觉Token，保持98.3%性能，实现训练和预填充加速。

2026年6月，CVPR第二届计算机视觉推理扩展研讨会（ViSCALE 2026）将在美国回归。由顶尖机构学者联合举办，将汇聚顶尖学者探索视觉模型突破瓶颈之法。会议亮点多，还开启论文征稿，欢迎积极投稿。

先进多模态大模型处理高分辨率图像有瓶颈，复旦和南洋理工研究者提出基于视觉Grounding的多轮强化学习方法MGPO，能让模型精准推理，还可使模型从答案反馈中涌现视觉定位能力，避免依赖昂贵标注。

具身人工智能向以视觉为中心转型，但面临“看得真”和“训得快”难题。清华大学智能产业研究院等提出GS - Playground通用多模态仿真框架，融合高吞吐量并行物理仿真与高保真视觉渲染，成果被RSS 2026录用，将开源。

目前流场结构识别方法有局限，传统经验法依赖阈值，深度学习法可解释性与泛化能力不足。本研究从流体控制方程出发，用符号回归建立统一流场结构分类框架，能准确识别复杂流动结构。

北大团队推出全球首个面向古希腊陶罐的3D视觉问答数据集VaseVQA - 3D，配套专用视觉语言模型VaseVLM。传统模型面对文化遗产复杂对象有不足，新数据集和模型让AI迈向‘文化考古Agent’，未来将拓展到更多领域。